ReAct: Synergizing Reasoning and Acting in Language Models
استدلال (مثل chain-of-thought) و عمل (تولید برنامه) در LLMها معمولاً جداگانه مطالعه شده بودند و همافزایی آنها کم بود.
تولید متناوب ردپای استدلال و اعمال خاص وظیفه تا مدل بتواند برنامه را بهروز کند و با منابع خارجی تعامل کند.
ReAct در وظایف تصمیمگیری تعاملی از روشهای قبلی بهتر عمل کرد و تفسیرپذیری و اعتمادپذیری را افزایش داد.
وابستگی به کیفیت prompt و مثالهای درونمتنی؛ چالشهای مقیاسپذیری به محیطهای بسیار پیچیده.
الگوی اصلی بسیاری از عاملهای ابزاری امروزی. برای پروژهی عامل نرمافزاری که باید استدلال کند و سپس ابزار/برنامه را فراخوانی کند، مستقیماً الهامبخش است.
📇 فلشکارت خلاصه — 13 فیلد تحلیلی برای این مقاله
خلاصه
ترکیب استدلال و عمل در LLMها برای تصمیمگیری تعاملی بهتر.
نمای سریع
ReAct – استدلال و عمل درهمتنیده.
یافتههای کلیدی
ReAct در وظایف تصمیمگیری تعاملی از روشهای قبلی بهتر عمل کرد و تفسیرپذیری و اعتمادپذیری را افزایش داد.
هدف
همافزایی reasoning و acting در یک حلقه.
روش
تولید متناوب ردپای استدلال و اعمال خاص وظیفه تا مدل بتواند برنامه را بهروز کند و با منابع خارجی تعامل کند.
نتایج
موفقیت بالاتر در ALFWorld و WebShop و تفسیرپذیری بهتر.
نتیجهگیری
استدلال و عمل باید با هم تولید شوند.
مفاهیم کلیدی
ReAct، function calling، عامل، استدلال
مطالعهی بیشتر
https://arxiv.org/abs/2210.03629
تحلیل
الگوی استاندارد بسیاری از عاملهای ابزاری بعدی شد.
محدودیتها
وابستگی به کیفیت prompt و مثالهای درونمتنی؛ چالشهای مقیاسپذیری به محیطهای بسیار پیچیده.
کارهای آینده
مقیاسپذیری به محیطهای پیچیدهتر و کاهش وابستگی به prompt.
کاربرد عملی
الگوی اصلی بسیاری از عاملهای ابزاری امروزی. برای پروژهی عامل نرمافزاری که باید استدلال کند و سپس ابزار/برنامه را فراخوانی کند، مستقیماً الهامبخش است.
◀ ارجاعات (این مقاله از اینها استفاده کرده) (0)
ارجاعی ثبت نشده است.
ارجاعشده توسط (0) ▶
هنوز مقالهای به این ارجاع نداده است.
مسیر یادگیری پیشنیاز این مقاله